Forschungsprojekt AI-GeoEnergy: G.E.O.S. und Partner entwickeln intelligente Werkzeuge für nachhaltige Energieversorgung – Automatisierte 3D-Modelle aus Bohrdaten

Sowohl der Klimawandel als auch die gegenwärtige Energiekrise machen den Umstieg auf erneuerbare Energien zwingend notwendig. Während sich Photovoltaik und Windenergie als sehr gute Alternativen für die Stromerzeugung etabliert haben, gibt es im Bereich Wärmeversorgung und Gebäudeheizung noch einen großen Bedarf nach Alternativen. Hier bietet sowohl die tiefe als auch die oberflächennahe Geothermie ein großes Potenzial zur Umsetzung der Wärmewende.

 

Das Projekt AI-GeoEnergy – Forschung für die Zukunft

In Kooperation mit dem Fraunhofer-Institut für Werkzeugmaschinen und Umformtechnik (IWU) wird unter Leitung von G.E.O.S. das Forschungsvorhaben AI-GeoEnergy umgesetzt.

AI-GeoEnergy verfolgt das Ziel, KI-basierte Werkzeuge zur automatischen Korrektur der Bohrungsstratigrafie zu entwickeln. Es schafft damit die Voraussetzungen, die flächendeckende 3D-Modellierung des Untergrundes um mehr als 50 Prozent zu beschleunigen und als Grundlage für die Planung und Optimierung der Nutzung des geothermischen Potenzials einzusetzen.

 

Datenqualität als Basis für den Einsatz künstlicher Intelligenz

Der entscheidende Faktor für die erfolgreiche Anwendung künstlicher Intelligenz sind gute und belastbare Eingangsdaten. Erfahrungsgemäß erfordern die Aufbereitung und das Präprozessing der Eingangsdaten bis zu 80 Prozent des Aufwandes bei der Entwicklung von KI-Ansätzen, insbesondere bei der Anwendung neuronaler Netze.

Hier profitiert AI-GeoEnergy von den umfangreichen Erfahrungen des G.E.O.S.-Teams: Über 100.000 Bohrungen wurden bisher von den erfahrenen Geologinnen und Geologen manuell stratifiziert. Diese Erfahrungen können direkt für das Training der KI-Modelle genutzt werden.

 

Skalierung KI-basierter Analysedaten auf tiefere Untergrundbereiche

Das grundlegende Konzept von AI-GeoEnergy besteht in einem Training der KI-Ansätze an umfangreichen und qualitätsgesicherten Daten aus dem oberflächennahen Teufenbereich bis zu mehreren hundert Metern. In einem zweiten Schritt werden die trainierten KI-Ansätze auf tiefe Bohrungen übertragen, um so ein Werkzeug zur Charakterisierung des tiefen geothermischen Potenzials, sowohl des hydrothermalen als auch des petrothermalen, zu erhalten.

 

3D-Modelle, einheitliche Datenbankstrukturen und Automatisierung für präzise Planungen

Der Schlüssel für die optimale Planung von Geothermieanlagen ist die genaue Kenntnis über den dreidimensionalen Aufbau des Untergrundes. Dazu werden 3D-Modelle verwendet, die maßgeblich auf Informationen aus Bohrungen, geologischen Kartierungen und geophysikalischen Untersuchungen basieren. Für ein einziges Modell mit einer Fläche von circa 500 km² und einer Tiefe von circa 200 bis 500 Metern müssen dabei bis zu 8.000 Bohrungen geprüft und bei Bedarf manuell korrigiert werden.

Deshalb widmen sich die Forscherinnen und Forscher zu Beginn des Vorhabens der Aufgabenstellung, manuell stratifizierte Daten gezielt auszuwählen und dafür eine einheitliche Datenbankstruktur für eine GIS-basierte Datenbank zu entwickeln. Die Datenbank soll so flexibel gestaltet werden, dass Bohrungsdaten und Verbreitungen unterschiedlicher Herkunft (z. B. aus verschiedenen Bundesländern) in diese Datenbank importiert und einheitlich gespeichert werden können.

Ein weiteres Ziel besteht in der Entwicklung von Routinen für die gezielte Auswahl und die automatisierte Verarbeitung von Daten aus der neuen Datenbank, damit diese direkt von den neuronalen Netzen zum Training und zur Bearbeitung verwendet werden können. Dies schließt eine Konditionierung der Daten mit ein.

 

Automatisierte 3D-Modelle für geothermisches Potenzial

Anschließend ist vorgesehen, aus den automatisch vom neuronalen Netz erzeugten Daten 3D-Modelle zu generieren, um auf dieser Grundlage das geothermische Potenzial zu berechnen. Dies soll sowohl für oberflächennahe als auch tiefe Geothermie möglich sein.

 

35 Jahre G.E.O.S. - Bergbau, Energie, Umwelt und Infrastruktur.
#35JahreGEOS